python爬虫学习(二)：定向爬虫例子-->使用BeautifulSoup爬取"软科中国最好大学排名-生源质量排名2018"，并把结果写进txt文件
在正式爬取之前，先做一个试验，看一下爬取的数据对象的类型是如何转换为列表的：
写一个html文档:
x.html
<html><head><title>This is a python demo page</title></head> <body> <p class="title"> <a>The demo python introduces several python courses.</a> <a href="http://www.icourse163.org/course/BIT-133" class="py1" id="link1">Basic Python</a> </p> <p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses: <a href="http://www.icourse163.org/course/BIT-268001" class="py1" id="link1">Basic Python</a> and <a href="http://www.icourse163.org/course/BIT-1001870001" class="py2" id="link2">Advanced Python</a> </p> </body></html>
# coding:utf-8 from bs4 import BeautifulSoup import requests import bs4 soup = BeautifulSoup(open('D:/x.html', encoding='utf-8'), "html.parser") print(soup.find('body',).children) # .children返回可迭代对象，不是列表，需要用for循环遍历其中的内容 for t in soup.find('body').children: 迭代<body>标签的儿子节点 if isinstance(t, bs4.element.Tag): # 判断子节点是否为Tag对象(因为子节点会包含如换行符之类的节点) print('body的子标签的内容是：', t) # 查看t变量获得的对象内容，body的子标签为p标签，一组<p></p>表示一个对象 print('t的类型是：', type(t)) # 查看t的类型
可以看到每个t对象的类型是bs4.element.Tag，也就是标签对象。
那么，如果要从每个t对象中获取a标签的内容，并把所有a标签都保存到一个列表中，该如何做?
可以使用：
list = t('a') # t('a')会生成一个bs4.element.ResultSet类型的数据对象，实际上就是Tag列表
for t in soup.find('body').children: if isinstance(t, bs4.element.Tag): # 判断子标签是否为Tag对象(因为子节点会包含如换行符之类的节点) # print('body的子标签的内容是：', t) # 查看t变量获得的对象内容 # print('t的类型是：', type(t)) # 查看t的类型 list = t('a') # 循环获取每个t对象中的所有a标签，并保存到一个列表中 print(list) print(type(list)) print('每个p标签的第一个a标签的内容：', list[0].string) # a标签保存到列表后，便可以利用列表方法解析出其中的具体每个a标签对象，并利用.string获取标签字符串
接下来就可以正式编写爬虫了：
分析网页源代码
可以看到需要的一些信息如大学排名、大学名称、地址、分数等分别在如图标注的地方，每个大学信息所在的标签结构如下：所有大学信息都在<tbody>标签下，每个大学都在各自的<tr>标签，然后大学自身的排名、名称、地址等信息都分别由一个<td>标签包裹。
思路如下：先找到<tbody>下的所有标签内容，然后再从中找出所有<tr>标签内容（为什么不直接用find_all()找<tr>?因为不只有我们需要的大学信息用到了<tr>标签，<tbody>之外也有用到<tr>标签来包裹内容的）。
我要把每个学校的“排名、名称、地址、分数”的值都取出来，并且把每组数据都各自装在一个列表中，然后再把每个列表依次加到一个大列表里
（1）直接处理数据
from bs4 import BeautifulSoup import requests import bs4 url = 'http://www.zuihaodaxue.com/shengyuanzhiliangpaiming2018.html' r = requests.get(url) r.encoding = r.apparent_encoding # 转换编码，不然中文会显示乱码，也可以r.encoding = 'utf-8' html = r.text soup = BeautifulSoup(html, 'html.parser') # 获取爬取网页的BeautifulSoup对象 for tr in soup.find('tbody').children: if isinstance(tr, bs4.element.Tag): td = tr('td')
print(td) t = [td[0].string, td[1].string, td[2].string, td[3].string] # 把每个学校解析出的数据各自装到一个列表中
print(t)
打印td的结果：
打印t的结果如下，其实排名信息已经可以看出来了
然后依次把每个大学信息写入一个文本文档：
from bs4 import BeautifulSoup import requests import bs4 url = 'http://www.zuihaodaxue.com/shengyuanzhiliangpaiming2018.html' r = requests.get(url) r.encoding = r.apparent_encoding # 转换编码，不然中文会显示乱码，也可以r.encoding = 'utf-8' html = r.text soup = BeautifulSoup(html, 'html.parser') # 获取爬取网页的BeautifulSoup对象 for tr in soup.find('tbody').children: if isinstance(tr, bs4.element.Tag): td = tr('td') t = [td[0].string, td[1].string, td[2].string, td[3].string] # 把每个学校解析出的数据各自装到一个列表中print(t) with open('D:/test.txt','a') as data: # 以'a'模式打开文件，即可不停的追加写入而不改变原内容
print(t, file=data)
（2）把代码封装，写到函数中
# coding:utf-8 import requests import bs4 from bs4 import BeautifulSoup def get_html(url):
"""定义获取网页源码函数""" try: r = requests.get(url, timeout=20) r.encoding = r.apparent_encoding return r.text except: return None def get_data(html, list):
"""定义从网页源码获取数据并处理数据函数""" soup = BeautifulSoup(html, 'html.parser') for tr in soup.find('tbody').children: if isinstance(tr, bs4.element.Tag): td = tr('td') t = [td[0].string, td[1].string, td[2].string, td[3].string] # 把每个学校解析处的数据各自装到一个列表中 list.append(t) # 把每个学校信息列表都追加到一个大列表中，方便后面写入文件 # return list # 不能加return,造成的后果就是第一次循环时就把结果返回出去了，只取到了第一条数据 def write_data(ulist, num): # num参数，控制提取多少组数据写入文件
"""定义把数据写入文件函数""" for i in range(num): u = ulist[i] with open('D:/test.txt', 'a') as data: print(u, file=data) if __name__ == '__main__': list = [] # 我之前是把list=[]放到get_data()函数的for循环里面了，导致每次循环都会先清空列表，然后再追加数据，结果最后遍历完只剩最后一组数据。。。
url = 'http://www.zuihaodaxue.com/shengyuanzhiliangpaiming2018.html'
html = get_html(url)
get_data(html, list)
write_data(list, 20)
把结果输出到屏幕(老师给出的代码)
# coding: utf-8 import requests from bs4 import BeautifulSoup import bs4 # def GetHTMLText(url): # try: # r = requests.get(url, timeout=30) # r.raise_for_status() # r.encoding = r.apparent_encoding # return r.text # except: # return "" # # # def fillUnivList(ulist, html): # soup = BeautifulSoup(html, "html.parser") # for tr in soup.find('tbody').children: # if isinstance(tr, bs4.element.Tag): # tds = tr('td') # ulist.append([tds[0].string, tds[1].string, tds[2].string, tds[3].string]) # # # # def printUnivList(ulist, num): # print("{:^10}\t{:^6}\t{:^10}\t{:^10}".format('排名', '学校名称', '地区', '总分')) # for i in range(num): # u = ulist[i] # print("{:^10}\t{:^6}\t{:^10}\t{:^10}".format(u[0], u[1], u[2], u[3])) # # # def main(): # uinfo = [] # url = 'http://www.zuihaodaxue.com/shengyuanzhiliangpaiming2018.html' # html = GetHTMLText(url) # fillUnivList(uinfo, html) # printUnivList(uinfo, 20) # return uinfo # # # if __name__ == '__main__': # t = main()
